【摘要】：采用信號分析手段對歌唱藝術嗓音的質(zhì)量和狀態(tài)進行科學客觀評價,這樣對歌唱表演人才的科學選拔、教學、培訓以及嗓音疾病診斷等方面有著重要的意義。然而,目前相關方法還存在著較多問題亟待解決,如聲學參數(shù)研究單一、信息融合效率低、算法魯棒性不好、低信噪比情況下識別準確率低、評價階段信息利用不充分等。針對以上問題,本文采用卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)作為基礎網(wǎng)絡,通過相關預處理以及對CNN網(wǎng)絡的參數(shù)優(yōu)化和結構調(diào)整,將傳統(tǒng)二維CNN(2DCNN)網(wǎng)絡改進為更適用于一維聲音信號的一維CNN(1DCNN)網(wǎng)絡,提出了基于1DCNN網(wǎng)絡的歌唱藝術嗓音質(zhì)量評價方法。首先,對嗓音信號進行預處理。利用語音分析技術提取歌聲聲學參數(shù)第一共振峰、第三共振峰、基頻、音域、基頻微擾、第一共振峰微擾、第三共振峰微擾、平均能量等,將這些基礎特征進行融合重組構成輸入信號。本文采用小波分解重構低頻系數(shù)信號,結合高階累積量思想對重構的帶噪嗓音信號進行檢測分析,提出了一種基于改進小波變換的基音周期檢測方法。實驗證明,本文所提方法可以提高低信噪比下基音周期檢測的準確性,且計算量較小,聲音信號的頻譜結構和信息保留完整。然后,提出了改進的適用于一維聲音信號的1DCNN模型。通過改進和調(diào)整傳統(tǒng)2DCNN的結構,提出了一種能更好地描述一維嗓音信號的時變特性的1DCNN模型。針對CNN訓練過程中耗時較長的問題,本文通過融合分數(shù)階神經(jīng)網(wǎng)絡思想,提出了利用Sigmoid函數(shù)分數(shù)階處理節(jié)點的方法,同時提出了改進的0.5分數(shù)階1DCNN模型。實驗證明,本文所提模型收斂速度更快,縮短了CNN訓練耗時,且嗓音質(zhì)量評價系統(tǒng)精度為85.7%,相較于傳統(tǒng)2DCNN網(wǎng)絡提升了5.4%。最后,提出了一種基于1DCNN模型的歌唱藝術嗓音質(zhì)量評價方法。在Matlab R2016a平臺完成仿真實驗,將預測評價結果與專業(yè)人士的主觀評價結果進行比較,得出誤差統(tǒng)計結果;并與BP(Back Propagation)神經(jīng)網(wǎng)絡、小波神經(jīng)網(wǎng)絡以及傳統(tǒng)2DCNN網(wǎng)絡進行對比分析。實驗結果表明,本文所提方法平均誤差為0.23,比BP神經(jīng)網(wǎng)絡低0.50,比小波神經(jīng)網(wǎng)絡低0.33。本文所提基于1DCNN的歌唱藝術嗓音質(zhì)量評價方法較好地解決了特征信息融合以及利用率、低信噪比下基音周期檢測、一維卷積神經(jīng)網(wǎng)絡的構造以及訓練效率等問題,能夠客觀有效地評估歌唱藝術嗓音質(zhì)量等級,對比誤差小,魯棒性較好且可移植性強。本文方法不僅可用于歌唱嗓音評估,還可用于嗓音疾病診斷等方面,具有較大的應用價值。
【學位授予單位】：西南科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN912.34;TP183
【圖文】：

量化過程統(tǒng)計模型

散變換[35]。根據(jù)取樣定理，當取樣丟失信息，通過取樣信號可以準確地號進行量化，連續(xù)波形的波形離散成若干個，并且在同一個幅值范圍電平的選擇依賴于數(shù)字表示的應模型來表示，即量化后的信號 (~x n和，即 ()~x n= x (n)+ e (n)。圖 2-1 量化過程統(tǒng)計模型 statistical model of quantizing proc

）量化誤差在所劃分的間隔內(nèi)均勻分布，且具有度函數(shù)如圖 2-2 所示。音的預加重弱的原因很多，但在口腔唇中對高頻的影響遠遠析最原始信號，所以要對藝術嗓音進行預加重技使得信號更加接近原始信號。在實驗中，通常是重，一般選取 FIR 數(shù)字濾波器[42]，其傳遞函數(shù)()11 H z z個作用：（1）增添一個零點抵消減少的高頻成其頻譜；在藝術嗓音中剩下聲道的影響，提取的致[43]；（2）FIR 數(shù)字濾波器是一個高通濾波器）它還便于共振峰的檢測，減少頻譜的動蕩，提

【相似文獻】

相關期刊論文 前10條

1 曾維亮;林志賢;陳永灑;;基于卷積神經(jīng)網(wǎng)絡的智能冰箱果蔬圖像識別的研究[J];微型機與應用;2017年08期

2 王媛媛;周濤;吳翠穎;;基于卷積神經(jīng)網(wǎng)絡的PET/CT多模態(tài)圖像識別研究[J];電視技術;2017年03期

3 尹勰;閆磊;;基于深度卷積神經(jīng)網(wǎng)絡的圖像目標檢測[J];工業(yè)控制計算機;2017年04期

4 張慶輝;萬晨霞;;卷積神經(jīng)網(wǎng)絡綜述[J];中原工學院學報;2017年03期

5 俞汝R

本文編號：2784997